今年以来，全球互联网大厂掀起“百模大战”，微软、谷歌、百度、阿里等接连下场。经过半年多的竞争，科技巨头们围绕大模型生态正迎来新一轮道路之争：面对参数“天花板”，大模型的未来走向封闭还是开放？
开源模型可在家用电脑运行
8月3日，国内AI开发者社区“魔搭”（ModelScope）上架两款开源模型Qwen-7B和Qwen-7B-Chat，分别为阿里云通义千问的70亿参数通用模型和对话模型，两款模型均开源、免费、可商用。
据介绍，通义千问Qwen-7B是支持中英等多种语言的基座模型，在超过2万亿token（文本单位）数据集上训练，而Qwen-7B-Chat是基于基座模型的中英文对话模型，已达到人类的认知水平。简而言之，前者好比“地基”，后者是地基之上的“房屋”。
经过实际测试显示，Qwen-7B模型的综合表现不俗。其中在英文能力测评基准MMLU上，得分普遍高于同等参数规模的主流模型，甚至赶超120亿、130亿参数规模的部分模型。而在中文评测C-Eval验证集上，该模型也取得了同等规模的最高分。在数学解题能力评测GSM8K和代码能力评测HumanEval方面，Qwen-7B模型表现也名列前茅。
也就是说，在中英文写作、数学解题以及写代码等考试中，Qwen-7B模型妥妥是一名“学霸”，分数甚至超过同等参数级别的国际主流大模型。
除此之外，业界更关心Qwen-7B模型的易用性。众所周知，主流大模型的训练和运行需要专门的AI训练芯片（如英伟达A100），这些芯片不仅售价昂贵，每块英伟达A100售价高达1万—1.5万美元，而且被欧美等国家垄断，国内几乎无法购买。而国产Qwen-7B模型支持消费级显卡上部署，相当于高性能的家用电脑就能运行该模型。
得益于免费商用加上低门槛，Qwen-7B模型的上架，引起了AI开发者的关注。短短一天，在代码托管平台GitHub上，Qwen-7B模型已被千余名开发者标星收藏，绝大多数提问者均为中文开发者。正如阿里云在声明中所说：“相比英文世界热闹的AI开源生态，中文社区缺少优秀的基座模型。通义千问的加入有望为开源社区提供更多选择，推动中国AI开源生态建设。”
开源还是封闭
事实上，Qwen-7B模型并非首款开源的大模型，其实ChatGPT的“前辈”GPT-2也是彻底开源的，其代码和框架在互联网上均可免费使用，还有相关论文可供查阅。而OpenAI在ChatGPT火遍全球之后选择了闭源发展，GPT-3和GPT-4等模型代码已成为OpenAI的商业机密。
所谓开源，就是开放源代码。比如大模型一旦宣布开源后，在版权限制范围内，任何人都可以公开获取模型源代码，并进行修改甚至重新开发。打个简单的比方，源代码就像是一幅画的底稿，所有人可以照着底稿填色创造自己的艺术画作。
闭源与开源正好相反，只有源代码所有者（通常是软件开发商）掌握代码修改的权力，其他人没办法获取“底稿”，只能向软件开发商购买成品。
开源和闭源的优劣都非常明显。大模型开源后无疑会吸引更多开发者，大模型的应用也将更加丰富，但相应的监管和商业化将成为难题，容易出现“替人做嫁衣”的尴尬局面。毕竟，开源考虑的是生态共荣，到底能赚多少钱的经济账，这一阶段很难算清楚，而这些难题恰好是闭源的机遇。
开源还是闭源，这是一道大模型的生死题，国际巨头已给出答案。
Facebook母公司Meta在上个月发布了大模型Llama2，开源免费给开发者和商业伙伴使用，而OpenAI则坚定地选择了GPT-4闭源发展，不仅能保持OpenAI在生成式AI行业的领先地位，还能赚取更多营收。根据权威杂志《Fast Company》预测，OpenAI在2023年的收入将达到2亿美元，包括提供API数据接口服务、聊天机器人订阅服务费等。
国内大模型也逐渐开始“分道扬镳”。阿里云的通义大模型早在今年4月宣布向企业开放，Qwen-7B模型的开源将开放之路走得更远一些。百度的文心一言也在近期宣布，将逐步开放插件生态给第三方开发者，帮助开发者基于文心大模型打造自己的应用。
相比之下，华为则不走寻常路。在发布盘古大模型3.0时，华为云公开表示，盘古大模型全栈技术均由华为自主创新的，没有采用任何开源技术，同时盘古大模型将聚集无数行业大数据（涉及行业机密等），因此盘古大模型在未来也不会开源。
大参数还是小而美
除此之外，Qwen-7B模型的开源，还带来了另一个思考：我们到底需要多大参数的大模型？
不可否认，大模型的参数规模正在不断膨胀。以OpenAI旗下的GPT大模型为例，GPT-1仅包含1.17亿参数，GPT-3的参数已经高达1750亿，几年时间内增长了1000多倍，而GPT-4的参数已超过万亿级别。
国内大模型亦是如此。百度文心大模型为2600亿参数，腾讯混元大模型达到千亿级参数，华为盘古大模型参数规模推测接近GPT-3.5，阿里通义大模型官宣已达10万亿参数……据不完全统计，中国10亿参数规模以上的大模型至少有79个。
遗憾的是，参数越大并不代表大模型的能力越强。在世界人工智能大会上，腾讯云副总裁吴运声有一个很恰当的比喻：“就像运动员练体力，举重运动员要举200斤杠铃，游泳运动员举100斤就够了，不同类型的运动员不需要每个人都练习200斤重的杠铃。”
众所周知，大模型的参数越高，消耗的资源和成本也越相应增加。而深耕行业的垂直类大模型，并不需要一味追求“规模大”或是“参数高”，更应该根据客户需求制定相关的模型参数。比如生物大模型BioGPT-Large仅有15亿参数，而在生物医学专业测试中的准确率，却优于千亿级别参数的通用大模型。
OpenAI联合创始人Sam Altman也公开表示，OpenAI正接近LLM（大型语言模型）规模的极限，规模越大并不一定意味着模型越好，参数规模不再是衡量模型质量的重要指标。
火山引擎智能算法负责人吴迪也有类似观点，长期来看，降低成本将成为大模型应用落地的重要因素，“一个经过良好精调的中小规格模型，在特定工作上的表现可能不亚于通用大模型，而成本可能仅为原来的十分之一。”
当下，国内科技大厂几乎都拿到了大模型的入场券，但真正的道路抉择才刚开始。
